Yolo网络参数说明

[net]
# Testing
#batch=64
#subdivisions=8
# Training
batch=64
subdivisions=4
width=416
height=416
channels=1
momentum=0.9
decay=0.0005
angle=45
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1

 

[net] 部分各参数的含义

batch

批处理大小，

subdivisions

如果内存不足，将batch大小再分成这么多个batch处理

width/height/channels

输入图像的长宽和波段数

momentum

冲量系数

decay

weight decay

权值衰减，为了防止过度拟合而设置的一个参数，                                                                                                                                                                                                                                                                                                                                                                                                

每次迭代以一个小因子降低每个权值。

angle

增加训练数据量，图片角度变化，单位为度，生成新图片的时候随机旋转±这个角度内的任意值。

saturation/exposure/hue

增加训练数据量的方法，饱和度/曝光/色相的调整

learning_rate

学习率，决定参数移动到最优值的速度的快慢，学习率太大，会导致错过最优解而无法收敛。学习率太小，会导致训练速度太慢，也可能陷入局部最优解。

burn_in

如果设置这个参数，学习率就不是按照设置的learning_rate来训练的，而是根据训练的迭代次数动态更新的，更新公式为：lr = base_lr * power(batch_num/burn_in,pwr)

max_batches

最大迭代次数

policy

调整学习率的策略，有以下几种：

CONSTANT, STEP, EXP, POLY，STEPS, SIG, RANDOM

steps

学习率变化时候的迭代次数，当迭代次数到达设置的迭代次数的时候，学习率将会重新调整，只有policy设置为steps的时候才会生效。

scales

学习率变化的比率，累计相乘，变化时机由steps参数决定。

 

[yolo]
mask = 0,1,2
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=1
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

[yolo]部分参数的含义

anchors

预测框的初始宽高

jitter

通过抖动增加噪声来抑制过拟合

random

设置为1的时候会启用Multi-Scale Traning，随机使用不同尺寸的图片进行训练，如果为0，每次训练大小与输入大小一致。